A análise dos dados foi feita recorrendo ao IBM SPSS (Statistical Package for Social Sciences) – versão 20 e ao AMOS (Analysis of Moment Structures) – versão 20.
Começou-se por realizar uma análise descritiva dos dados, tendo-se construído tabelas de freqüências e gráficos circulares para caracterizar as variáveis qualitativas e, calculado medidas de localização e de dispersão para caracterizar as quantitativas. As variáveis correspondentes aos itens de medição da satisfação, percepção da reputação e lealdade estudantil, apesar da sua natureza qualitativa ordinal, foram tratadas como quantitativas. Estas variáveis foram analisadas através de tabelas de freqüências, diagramas de barras, medidas descritivas e intervalos de confiança.
A estrutura relacional dos 18 itens referentes à satisfação dos alunos com a FEAAC foi analisada através de análise fatorial. A análise fatorial é uma técnica de análise multivariada de interdependência que busca identificar fatores comuns num conjunto de variáveis inter-relacionadas (FÁVERO et al., 2009). Dispõe-se de uma proporção de 11,5 respondentes para cada item, ultrapassando a recomendação de um mínimo de 10 respondentes por item, feita por Hair (2009) para aplicação desta técnica.
A adequação da aplicação da técnica de análise fatorial foi avaliada tendo em conta o critério de Kaiser-Meyer-Olkin (KMO) e o teste de esfericidade de Bartlett, que tem como hipótese nula que a matriz de correlações dos dados é igual à matriz identidade (Maroco, 2007). A adequação da análise fatorial é indicada por um valor alto (próximo de 1) do KMO e por um valor p baixo (inferior a 0,05) para o teste de esfericidade de Bartlett.
Cada item foi analisado no que diz respeito à Measure of Sampling Adequacy (MSA), que indica em que medida o item se ajusta à estrutura definida pelos itens restantes, e à comunalidade, que representa a proporção da variabilidade do item explicada pelos fatores comuns (MAROCO, 2007).
Foi aplicado o método das componentes principais para extração dos fatores. Assim, os fatores são os autovetores da matriz de correlações e as suas variâncias são os autovalores. Optou-se por aplicar rotação varimax para facilitar a interpretação dos fatores. O objetivo do método varimax é obter uma estrutura fatorial na qual cada item esteja fortemente associado a um único fator e pouco associado aos fatores restantes (MAROCO, 2007).
A consistência interna dos itens que definem cada dimensão da satisfação foi avaliada através do coeficiente Alpha de Cronbach.
A análise da estrutura das relações entre a satisfação dos alunos da FEAAC, a percepção que estes têm da reputação da faculdade e do curso que frequentam e a sua lealdade, foi feita através de modelos de equações estruturais (SEM).
Este tipo de modelos é muito popular nas ciências sociais, por permitir analisar relações entre construtos (variáveis latentes) avaliados através de indicadores (variáveis de medida) e quantificar o quanto os indicadores refletem o construto. Além disto, estes modelos permitem examinar relações entre uma ou mais variáveis independentes e uma ou mais variáveis dependentes (PEDRO et al., 2010).
Um modelo de equações estruturais é constituído por dois modelos:
a) Modelo estrutural: conjunto de equações que definem as relações entre as variáveis latentes;
b)Modelo de medida: conjunto de equações que definem as relações entre as variáveis latentes e as variáveis de medida.
A modelação de equações estruturais envolve 5 etapas: a especificação do modelo, a identificação, a estimação dos coeficientes, a avaliação do ajustamento e a reespecificação (SCHUMACKER; LOMAX, 1996).
A especificação do modelo consiste na elaboração do modelo, com base no referencial teórico e no conhecimento que o pesquisador tem acerca do assunto em análise (PEDRO et al., 2010). Optou-se por utilizar o modelo proposto por Helgesen e Nesset (2007), conforme referido anteriormente, mas tendo em conta os resultados obtidos através da análise fatorial.
Na etapa de identificação, a questão chave é investigar se serão obtidos valores únicos para os parâmetros estimados. Um modelo diz-se identificado se o número de equações é igual ao número de coeficientes a estimar. Neste caso, há apenas uma solução, com determinada margem de erro. Caso o número de equações seja superior ao de coeficientes a estimar, o modelo diz-se sobre-identificado e existem várias soluções possíveis, devendo-se escolher a que tiver menor erro. Se o número de equações for inferior ao de coeficientes, o modelo diz-se sub-identificado e não há nenhuma solução (KELLOWAY, 1998). Esta etapa pode ser complicada, contudo, o AMOS faz essa verificação, apresentando uma mensagem de erro se ocorrer algum problema de identificação.
A etapa de estimação do modelo consiste em determinar os valores dos parâmetros que fazem com que a matriz de covariâncias estimada seja tão próxima quanto possível da matriz de covariâncias observada. A estimação dos parâmetros resulta da minimização de uma função de discrepância entre estas duas matrizes, assumindo esta função diferentes formas, consoante o método de estimação aplicado (PEDRO et al., 2010).
A estimação dos coeficientes, através do AMOS, pode ser feita pelos seguintes métodos: Maximum Likelihood (ML), Generalized Least Squares (GLS), Unweighted Least Squares (ULS) e Asymptotically Distribution-Free (ADF). Optou-se pelo método ML por ser o mais popular quando as variáveis são normais. A amostra é grande e, apesar dos itens serem variáveis ordinais, medidas numa escala de 1 a 7, os seus coeficientes de assimetria e de curtose têm, em geral, módulo inferior a 1, o que legitima a aplicação deste método, segundo Schumacker e Lomax (1996).
O ajustamento dos modelos pode ser avaliado através de medidas de ajustamento absoluto, que avaliam até que ponto o modelo global prediz a matriz de covariâncias observada; e de medidas de ajustamento parcimonioso, que avaliam a relação entre a qualidade do ajustamento de um dado modelo e o número de parâmetros que é necessário estimar (PEDRO et al., 2010).
O modelo pode ser reespecificado, caso a qualidade de ajustamento do modelo especificado inicialmente seja fraca ou, caso hajam relações sem significância estatística.
Os modelos de equações estruturais são utilizados em projetos de âmbito nacional de avaliação da satisfação de clientes, como o American Customer Satisfaction Index (ACSI, descrito em www.theacsi.org) e o European Customer Satisfaction Index (ECSI, descrito em www.ecsiportugal.pt), que seguem a linha metodológica do Customer Satisfaction Barometer proposta por Fornell (1992).
Na avaliação da satisfação dos alunos de instituições de ensino superior, destaca- se a aplicação de modelos de equações estruturais realizada por Helgesen e Nesset (2007), cujo modelo proposto foi adotado nesta monografia. Outros autores que trabalharam com os modelos de equações estruturais são: Thomas (2011), Massaro (2011) e Marques e Sittoni (2009).
4 ANÁLISE DOS DADOS E APRESENTAÇÃO DOS RESULTADOS
Esta seção contém o perfil dos respondentes da pesquisa realizada neste trabalho e apresenta os resultados que foram obtidos com a realização da pesquisa. Os resultados referentes à satisfação dos alunos do Ensino Superior estão organizados em uma única seção para facilitar a compreensão, assim como os resultados referentes à percepção da reputação da FEAAC e à lealdade estudantil. Esta seção apresenta ainda as etapas para se chegar ao modelo final deste trabalho e os resultados obtidos com o modelo de equações estruturais.